Closing the Gender Gap in Corporate Advancement: Insights and Solutions from Behavioural Economics
Notice bibliographique
Résumé
Despite evidence that both gender and ethnically diverse leadership is good for businesses’ bottom line, just one in five senior North American business leaders is female, one in thirty a woman of colour. Little literature exists applying behavioural economics [BE] concepts to explain gender gaps. Yet, as demonstrated by the 2010 UK Conservative-Liberal Democrats coalition government, the Obama government in the US and Trudeau government in Canada, lawmakers, policymakers and business leaders are interested in BE’s persuasive power to influence behaviour. My contribution exploits this interest, builds on the excellent existing scholarship analyzing gender gap concepts from a BE perspective, and fills this gap. Applying concepts of bounded rationality, bounded willpower, bounded self-interest, and the endowment effect to 2017’s North American-focused Women in the Workplace report (Report) published by LeanIn and McKinsey, a vast study examining HR practices and pipeline data of 222 companies employing 12 million+ people and surveying 70,000+ employees’ experiences, I find that hiring and promotion decisions are affected by the three bounds and endowment effect, undercutting businesses’ compelling economic interest in diverse leadership. BE offers solutions to tackle biased behaviour and shows how gender gap scholars’ and the Report’s recommendations can be taken further to close the gender gap in advancement. I argue that normative best practice adoption by business and nudges and tax incentives from governments, ideally in combination, can spur businesses to adopt debiasing behaviours and practices that will contribute to closing the gender gap in advancement. Enabling women to achieve their full leadership and economic potential will enhance women’s wellbeing, improve businesses’ performance, and lead to greater social equity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,017 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».